Estimation des effets de débordement dans les réseaux hiérarchiques : théorie et application aux entreprises innovantes

Comment les relations professionnelles entre scientifiques affectent-elles les flux de connaissances entre entreprises ? Comment les liens entre les conseils d'administration affectent-ils le marché des prêts interbancaires ? Comment le choc subi par une industrie en amont se répercute-t-il en aval dans le réseau de production ? Toutes ces questions ont en commun un aspect : les résultats d'intérêt se produisent dans des réseaux économiques de haut niveau, mais ceux-ci sont façonnés ou "microfondés" par des interactions de plus bas niveau entre d'autres agents. Les réseaux de ce type, que j'appelle "hiérarchiques", sont omniprésents, mais les études empiriques les concernant négligent généralement leurs caractéristiques complexes, multicouches et multidimensionnelles en raison du manque d'outils économétriques appropriés. Je propose de combler cette lacune par un cadre empirique qui intègre les caractéristiques clés des réseaux neuronaux dans les modèles économétriques structurels. En particulier, les fonctions d'activation intégrées dans une procédure d'estimation plus large permettent de récupérer le réseau de haut niveau d'intérêt. Je présente une première application de ce cadre pour améliorer notre compréhension des retombées de la R&D dans un échantillon d'entreprises publiques américaines.